Large‐scale 3D inversion of potential field data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT Inversion of gravity and/or magnetic data attempts to recover the density and/or magnetic susceptibility distribution in a 3D earth model for subsequent geological interpretation. This is a challenging problem for a number of reasons. First, airborne gravity and magnetic surveys are characterized by very large data volumes. Second, the 3D modelling of data from large‐scale surveys is a computationally challenging problem. Third, gravity and magnetic data are finite and noisy and their inversion is ill posed so regularization must be introduced for the recovery of the most geologically plausible solutions from an infinite number of mathematically equivalent solutions. These difficulties and how they can be addressed in terms of large‐scale 3D potential field inversion are discussed in this paper. Since potential fields are linear, they lend themselves to full parallelization with near‐linear scaling on modern parallel computers. Moreover, we exploit the fact that an instrument’s sensitivity (or footprint) is considerably smaller than the survey area. As multiple footprints superimpose themselves over the same 3D earth model, the sensitivity matrix for the entire earth model is constructed. We use the re‐weighted regularized conjugate gradient method for minimizing the objective functional and incorporate a wide variety of regularization options. We demonstrate our approach with the 3D inversion of 1743 line km of FALCON gravity gradiometry and magnetic data acquired over the Timmins district in Ontario, Canada. Our results are shown to be in good agreement with independent interpretations of the same data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle